Академический Документы
Профессиональный Документы
Культура Документы
1
UNIDAD V: ANÁLISIS DE RESULTADO
5.1 Análisis por tablas de respuestas, análisis de varianza por arreglos
ortogonales.
5.1.1 Análisis de tablas de frecuencia.
Uno de los métodos para analizar datos es la tabulación cruzada. Por ejemplo, un
investigador médico puede tabular las frecuencias de los diferentes síntomas por
edades y sexo; un investigador de [Curso de la ing. De la calidad. 2016]1 educativo
puede tabular el número de estudiantes que abandonan sus estudios por edad, sexo
y grupo étnico; un economista puede tabular el número de negocios que fallan por
industria, región, etc.; un investigador de mercado puede tabular las preferencias de
los consumidores por producto, edad y sexo. En todos estos casos, los resultados
principales de interés pueden ser sumarizados en una tabla de frecuencia múltiple;
o sea, en una tabla cruzada de dos o más factores.
No 40 5 45
Si 20 35 55
Total 60 40 100
2
Mientras interpretamos los resultados de este pequeño estudio, vamos a
introducirnos en la terminología que nos permitirá generalizar en tablas más
complejas fácilmente. Diseño de variables y variables de respuesta. En la regresión
múltiple o en el análisis de varianza hay una distinción común entre las variables
dependientes e independientes. Las variables dependientes son aquellas que
tratamos de explicar, y podemos clasificar los f actores en una tabla de 2 X 2; por
ejemplo, el color del pelo es una variable dependiente. Las variables de respuesta
son aquellas que varían en la respuesta a las variables designadas; por ejemplo, el
color del pelo puede ser considerado una variable de respuesta y la edad es
considerada una variable de diseño. Ajuste marginal de frecuencias. Nos podemos
preguntar cuál de las frecuencias parece no tener relación con las variables
(hipótesis nula). Para no ir en detalles, intuitivamente podemos esperar que las
frecuencias en cada celda podrían proporcionalmente reflejar las frecuencias
marginales (Totales); por ejemplo, considere la siguiente tabla:
No 27 18 45
Si 33 22 55
Total 60 40 100
3
5.1.1.2 Tablas de frecuencia múltiple.
El razonamiento presentado en las tablas de 2 X 2 puede ser generalizado a tablas
más complejas. Supongamos que tenemos una tercera variable en nuestro estudio;
por ejemplo, queremos ver si el estrés tiene que ver con las canas en las personas.
Como estamos interesados en esta nueva variable, la vamos a considerar como
variable de diseño. (Con esto, la variable de ¡estrés se convierte en una variable de
respuesta y la variable del color del cabello sería una variable de diseño). La tabla
resultante sería una tabla de frecuencia de 3 caminos.
Efectos de interdicción. Otro modelo concebible puede ser que la edad está
relacionada con el color del cabello, y que el estrés es relacionado con el color del
cabello también; pero, estos dos factores no interactúan en su efecto. En este caso,
podríamos necesitar simultáneamente de dos tablas, una es la tabla de 2 X 2 de la
edad por color del cabello cruzada con los niveles de estrés, y otra tabla del estrés
por color del cabello cruzada con los niveles de la edad. Si este modelo no se ajusta
los datos, tenemos que incluir que la edad, el estrés y el color del cabello están
interrelacionados. De otra forma, podremos concluir que la edad y el estrés
interactúan con sus efectos en el cabello canos.
4
5.1.2.1 Definición del arreglo ortogonal.
El arreglo ortogonal es una herramienta ingenieril que simplifica y en algunos casos
elimina gran parte de los esfuerzos de diseño estadístico. Es una forma de examinar
simultáneamente muchos factores a bajo costo. El Dr. Taguchi recomienda el uso
de arreglos ortogonales para hacer matrices que contengan los controles y los
factores de ruido en el diseño de experimentos. Ha simplificado el uso de este tipo
de diseño al incorporar los arreglos ortogonales y las gráficas lineales, finalmente,
en contraste con los enfoques tradicionales como equivalentes de ruido: mientras
las interacciones sean relativamente suaves, el analista de los efectos principales
nos proporcionará las condiciones óptimas y una buena reproductibilidad en un
experimento.
Los arreglos ortogonales son herramientas que permiten al ingeniero evaluar qué
tan robustos son los diseños del proceso y del producto con respecto a los factores
de ruido.
5.1.2.2 Resumen.
El método del Dr. Taguchi para el diseño de experimentos utiliza técnicas que
implican bajos costos y que son aplicables a los problemas y requerimientos de la
industria moderna. El propósito que se tiene en el diseño del producto es encontrar
aquella combinación de factores que nos proporcione el desempeño más estable y
confiable al precio de manufactura más bajo.
5
El análisis del arreglo ortogonal de Taguchi es usado para producir los mejores
parámetros para el diseño óptimo del proceso, con el mínimo número de
experimentos (pruebas). Los resultados obtenidos para los arreglos ortogonales son
analizados para obtener los siguientes objetivos:
5.1.2.4 Desventajas.
La desventaja del arreglo ortogonal es que puede ser únicamente aplicado en la
etapa inicial del diseño del sistema del producto o proceso. Un arreglo ortogonal
permite asegurar que el efecto de "B" en "A1" es el mismo efecto de "B" en "A2".
Así se podrá estar seguro de que se está haciendo comparaciones entre efectos de
niveles de un factor
6
5.2 Análisis de atributos clasificados.
El primer paso es formar categorías acumulados a partir de las categorías iniciales
de modo que la categoría acumulada uno sea igual a la categoría inicial uno, la
categoría acumulada dos sea igual a las categorías iniciales uno más dos.
(I) = (1)
Para ilustrar los pasos se utilizará un estudio que se realizó en [Curso de la ing. De
la calidad. 2016]2 para conocer los parámetros óptimos de una máquina
moldeadora al estar utilizando compuesto de un nuevo proveedor. El aspecto visual
se dividió en las categorías iniciales:
1=Incompleto
2=Partido/Crudo
3=Deforme
4=Bien
El experimento consistió en cuatro factores a tres niveles cada uno y con diez
repeticiones, siendo los factores:
A = Temperatura
B = Tiempo de Ciclo
7
C = Tiempo de Inyección
D = Presión
Acumulados
1 5 5 0 0 5 10 10 10
2 0 9 0 1 0 9 9 10
3 0 6 0 4 0 6 6 10
4 0 1 0 9 0 1 1 10
5 0 0 5 5 0 0 5 10
6 0 3 1 6 0 3 4 10
7 0 0 0 10 0 0 10 10
8 10 0 0 0 10 10 10 10
9 10 0 0 0 10 10 10 10
Total 25 24 16 25 25 49 65 100
TABLA 5.2. Resultados del Experimento en una Máquina Moldeadora. Curso
ingeniería de la calidad, 2016
8
También se puede ver que en la frecuencia acumulada de la Clase IV durante todo
el experimento es la misma, por lo que no se podrá extraer ninguna información de
esta columna. Es por lo que se realizará en el análisis acumulativo calcular la suma
de cuadrados de la clase I, Clase II y Clase III. De cualquier forma, esas sumas de
cuadrados no pueden sumarse sencillamente, puesto que las bases de las tres
clases son diferentes.
90 90 90 90
Wj = 1/(Pjx(1-PJ)),
9
Para cada categoría se calcula el factor de corrección como Suma de Cuadrados
de Factores.
Ssa = (Ssa clase I) x WI + (SSA clase II) x WII + (Ssa clase III) x WIII SS total =
(número total de datos) x (número de categorías menos uno)
En este caso:
Y los grados de libertad, restando los grados de libertad de cada factor de los grados
de libertad de la tabla de ANOVA.
10
5.2.2 Varianza en la Tabla ANOVA.
Se define la varianza o cuadrado medio como la suma de cuadrados divididos entre
los grados de libertad:
En el ejemplo:
Grados
Fuentes de Suma de Cuadrado S. de Cuad. Porcentaje
de
Variación Cuadrados Medio Corregida Contrib.
Libertad
11
Todos los procedimientos (prueba de t, de F y el establecimiento de los límites de
confianza), utilizan la suma de cuadrados residual, la que es llamada la suma de
cuadrados de error. Esta cantidad pudo ser encontrada calculando para cada
observación un valor, predicho por la solución de los mínimos cuadrados. Se puede
luego obtener la suma de cuadrados de las diferencias entre los valores observados
y los valores predichos. Este método es lento y la suma de cuadrados del error se
calcula mucho más rápido siguiendo la técnica conocida como análisis de varianza.
12
5.3 Experimentos con factores de ruido.
Los modelos de diseño de experimentos son modelos estadísticos clásicos cuyo
objetivo es averiguar si unos determinados factores influyen en una variable de
interés y, si existe influencia de algún factor, cuantificar dicha influencia.
Fuente Tipo
13
Especificar las medidas que se realizarán (la respuesta), el procedimiento
experimental y anticiparse a las posibles dificultades. Variable respuesta o variable
de interés. Los datos que se recogen en un experimento son medidas de una
variable denominada variable respuesta o variable de interés.
14
5.3.2 Especificar el modelo.
El modelo matemático especificado debe indicar la relación que se supone que
existe entre la variable respuesta y las principales fuentes de variación identificadas
en el paso 2. Es fundamental que el modelo elegido se ajuste a la realidad con la
mayor precisión posible.
Xk Y = αi + ε i=1
En este modelo la respuesta viene dada por una combinación lineal de términos que
representan las principales fuentes de variación planificada más un término residual
debido a las fuentes de variación no planificada. Los modelos que se estudian en
este texto se ajustan a esta forma general. El experimento piloto puede ayudar a
comprobar si el modelo se ajusta razonablemente bien a la realidad.
15
5.4 Análisis de experimentos con factores de ruido.
Los factores de ruido son aquellos que no se pueden controlar o que resulta muy
caro controlarlos. Los factores de ruido según [Curso de la ing. De la calidad. 2016]4
causan variabilidad y pérdida de calidad. Por esto es necesario diseñar un sistema
el cual sea insensible a los factores de ruido. El diseñador debe identificar la mayor
cantidad posible de factores de ruido y usar su buen juicio en base a sus
conocimientos para decidir cuáles son los más importantes a considerar en su
análisis.
16
La función principal del sistema es enfriar la temperatura del aire de 95 c a 10 c
entre dos etapas de compresión. Primero entra al sistema el aire por el pre enfriador
y luego pasa a la unidad de refrigeración. El agua pasa a través del condensador
de la unidad de refrigeración y luego al pre enfriador y finalmente entra al radiador
donde se expulsa el radiador a través de él.
El flujo del aire está dado por 1.2 kg/s y el flujo del agua está dado por 2.3 kg/s. Se
busca diseñar el sistema para un costo mínimo total, donde el costo es la suma de
todos los costos en dólares de la unidad de refrigeración, el pre enfriador y el
radiador. Las ecuaciones paramétricas de costo (xi) para la unidad de refrigeración,
el pre enfriador y el radiador en términos de temperaturas de salida (ti) están dadas
como sigue:
X2=1.2 B (95 - T3) /(T3-T1) para (T3 >T1) X2 = costo ($) del pre enfriador.
17
A = 48
B = 50
C = 25
Para el caso del ejemplo, tres niveles alternativos fueron identificados para ser
estudiados para el control del diseño de los parámetros, El nivel dos muestra los
valores iniciales de los factores de control. (Tabla a). Los niveles de los parámetros
18
de prueba (tabla a) se refieren a cuántos valores de prueba van a ser analizados
(uno de estos niveles debe tomar los valores de las condiciones iniciales de
operación).
T1= 28 C
T2= 39 C
T3= 38 C
Como siguiente paso los ingenieros de diseño y los analistas de costo desean un
estudio de niveles alternativos de los parámetros de control considerando ahora la
incertidumbre debido a los factores de ruido. En un diseño robusto, generalmente,
dos o tres niveles son considerados para cada factor. Se ha decidido estudiar los
tres factores de ruido con 2 niveles. Estos valores se muestran en la tabla 9. El nivel
uno representa los valores iniciales de los factores de ruido. Diseño de la matriz de
experimentos y definición de los datos para analizar. El objetivo ahora es determinar
los niveles óptimos de los factores de control para que el sistema sea robusto a los
factores de ruido.
Con esto se determina que se puede utilizar un arreglo ortogonal estándar L9 para
los factores de control y usando la misma metodología se utiliza un arreglo ortogonal
estándar L4 para los factores de control.
1 2 3 4
N1 1 2 2
N2 2 1 2
N3 2 2 1
GRAFICO 5.4.1.2 Arreglo ortogonal estándar L9, Curso ingeniería de la calidad,
2016.
19
Bibliografía
[1]. [Unidad V. análisis de resultado (s.f) Curso de la ing. De la calidad. 2016 de
http://www.itchihuahua.edu.mx/academic/industrial/ingcalidad/unidad4.html].
[2]. [5.2 Análisis de atributos clasificados. Curso de la ing. De la calidad. 2016 de
http://www.itchihuahua.edu.mx/academic/industrial/ingcalidad/unidad4.html].
[3]. [Experimentos con factores de ruido, Curso de la ing. De la calidad, 2016
Recuperado el 20 de agosto del 2016 en
http://www.itchihuahua.edu.mx/academic/industrial/ingcalidad/unidad4.html].
[4]. [Experimentos de ruido, (s.f) recuperado el 18 de agosto del 2016 en
http://www.itchihuahua.edu.mx/academic/industrial/ingcalidad/unidad4.html].
20